Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

results

Nikhil6767

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текстов с точностью 0,84 на указанном наборе оценки.

7скачиваний за 30 дней0лайковвеса обновлены12 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Nikhil6767/results — дообученная модель DistilBERT для классификации текстов. Она основана на distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель принимает текст и возвращает метки классов; максимальная длина контекста — 512 токенов.

На указанном в карточке наборе для оценки модель достигла точности 0,84 и потерь 0,4098. Данные для обучения, набор классов и конкретные сценарии применения не описаны, поэтому пригодность модели для определённой задачи нужно проверять отдельно. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

Классификация текстовых сообщений по заданным классам
Автоматическая категоризация коротких текстов

Ограничения

В карточке не описаны обучающие данные, классы и целевая область применения. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

results

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.4098
Accuracy: 0.84

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 100
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	125	0.4098	0.84
No log	2.0	250	0.4542	0.83
No log	3.0	375	0.6124	0.82

Framework versions

Transformers 5.13.0
Pytorch 2.12.1+cpu
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 1615b16